[发明专利]一种基于广义全变差正则化的雷达关联成像方法

说明书

本发明属于雷达关联成像技术领域，公开了一种基于广义全变差正则化的雷达关联成像方法，包括：建立关联成像模型；加入广义全变差正则化的约束，建立基于二阶TGV正则项的优化成像问题；构建相应的拉格朗日函数，得到优化模型，使用交替方向乘子法得到待求解的子问题并迭代求解。本发明通过分割变量和应用乘子交替方向法求解模型，从而可得到更高质量的回波重建图像。在仿真测试过程中，验证了本发明所提方法的优势，能达到更高的分辨率。同时，从成像的均方误差可以看出，在噪声比较大时，也能保证相对较小的误差。显然，本发明也适用于处理其他雷达图像恢复方面的问题。

技术领域

本发明属于雷达关联成像技术领域，尤其涉及一种基于广义全变差正则化的雷达关联成像方法。

背景技术

目前，业内常用的现有技术是这样的：雷达关联成像(Radar CoincidenceImaging，RCI)是一种新的凝视高分辨率成像方法，通过对雷达阵列发射的正交且不相关的微波信号的波前调制，在空间构建时空不相关的两维随机辐射场，通过关联处理实现对目标的高精度反演。与传统雷达成像技术相比，雷达关联成像在方位向分辨率方面不需要雷达与目标的相对运动即可实现高分辨率成像，并且缩短了成像时间。因此，雷达关联成像在全天候，全天时，远距离的对观测区域监测和空间目标识别等领域具有广阔的应用前景。近年来，首次提出了基于时空二维随机辐射场的成像方法，揭示辐射场的时空两维随机性是实现目标超分辨率重构的本质原因，为后续的理论研究奠定了基础。将热关联成像，雷达关联成像和传统雷达成像进行了对比分析，验证了雷达关联成像的有效性。通过基于块稀疏贝叶斯学习(BSBL)框架来解决范围-方位角空间中的网格失配，然而其仅仅针对稀疏目标有效。运用了Tikhonov正则项，其实质相当于一个低通滤波器，其解相当于在最小二乘解的基础上加入一个约束高频分量的滤波因子。但是由于空间高频分量一般对应边缘等信息，所以该正则化方法得到的结果会过分平滑，影响对相邻目标的分辨。运用全变差正则项(Total Variation,TV)，该方法虽然可以在保证逆问题求解稳定性的基础上保持良好的边缘特性，但是会将光滑连续的信号变成分段等值的信号，从而能形成阶梯化效应。而广义全变差(Total General Variation，TGV)可以有效的逼近任意阶多项式，例如分片常数等，可以有效保持边缘和细节信息。

综上所述，现有技术存在的问题是：

(1)通过基于块稀疏贝叶斯学习框架来解决范围-方位角空间中的网格失配，仅仅针对稀疏目标有效。

(2)运用Tikhonov正则项，由于空间高频分量一般对应边缘等信息，得到的结果会过分平滑，影响对相邻目标的分辨。

(3)运用全变差正则项将光滑连续的信号变成分段等值的信号，形成阶梯化效应。

解决上述技术问题的难度和意义：更有效的保持目标边缘信息和细节，可为后续目标识别提供更完整信息。

发明内容

针对现有技术存在的问题，本发明提供了一种基于广义全变差正则化的雷达关联成像方法。

本发明是这样实现的，一种雷达关联成像模型，所述雷达关联成像模型为：

S＝Aσ+n；

其中，S为接收信号矢量，A表示辐射场参考矩阵，σ为目标散射系数向量， n为噪声向量。

本发明的另一目的在于提供一种利用所述雷达关联成像模型的基于二阶 TGV正则项的优化成像模型，所述基于二阶TGV正则项的优化成像模型为：

其中β0与噪声等级有关；同时等价为：

其中，x＝Dσ-p，D为二维差分算子；